[发明专利]一种基于协作的推荐系统及其工作方法

摘要

一种基于协作的推荐系统，包括边缘系统模块、协作中心系统模块、目标系统模块，边缘系统模块、协作中心系统模、目标系统模块依次连接；边缘系统模块采集和存储用户信息并向协作中心系统模块提供所需的特定用户信息；协作中心系统模块响应目标系统模块的协作请求，向边缘系统模块发出协作请求，并对用户信息进行不一致性消除和推理融合，向目标系统模块输出所需的特定用户数据；目标系统模块向用户提供个性化推荐服务，在冷启动时向所述协作中心系统模块发起协作请求。本发明在推荐系统中加入用户协作机制，协作中心系统模块完成了多个推荐系统之间的协作功能，对特定用户的多源数据进行融合处理，有效解决了推荐系统中冷启动问题。

主权项

一种基于协作的推荐系统的工作方法，其特征在于，基于协作的推荐系统包括：边缘系统模块、协作中心系统模块、目标系统模块，所述边缘系统模块、所述协作中心系统模块、所述目标系统模块依次连接；所述边缘系统模块采集和存储用户信息并向所述协作中心系统模块提供所需的特定用户信息；所述协作中心系统模块响应所述目标系统模块的协作请求，向所述边缘系统模块发出协作请求，并对从所述边缘系统模块获取的用户信息进行不一致性消除和推理融合，向所述目标系统模块输出所需的特定用户数据；所述目标系统模块向用户提供个性化推荐服务，在冷启动时向所述协作中心系统模块发起协作请求；所述目标系统模块包括：用户数据库单元、推荐引擎单元、初始推荐单元、过滤单元、排名单元、推荐结果展示及解释单元、用户单元，所述用户数据库单元包括情景信息模块和行为信息模块,所述用户数据库单元、所述推荐引擎单元、所述初始推荐单元、所述过滤单元、所述排名单元、所述推荐结果展示及解释单元、所述用户单元依次连接，所述用户单元与所述用户数据库单元相连；所述协作中心系统模块包括知识库单元、行为聚合单元、情景聚合单元、数据不一致性检测消除单元、数据推理融合单元，所述知识库单元、所述行为聚合单元、所述情景聚合单元、所述数据不一致性检测消除单元、所述数据推理融合单元依次相连接；所述数据推理融合单元与所述知识库单元相连；具体步骤如下：(1)请求协作所述目标系统模块接收到新的“用户A×物品B×情景信息C”组合后，经过检索，用户数据库单元中没有用户A的历史行为信息时，所述目标系统模块向所述协作中心系统模块发起协作请求；(2)协作中心响应所述协作中心系统模块接受所述目标系统模块发起的协作请求，所述知识库单元分析协作请求，检索出存有用户A信息的所述边缘系统模块中的推荐单元，并向所述边缘系统模块中的推荐单元发送协作命令；(3)边缘系统响应所述边缘系统模块中的推荐单元接收到协作命令后，查看各自的数据库中是否含有所述目标系统模块所需数据，所述目标系统模块所需数据包括：m、用户A在情景信息C下对物品B的评分；n、用户A在非情景信息C下对物品B的评分；(4)判断是否含有协作数据如果所述边缘系统模块中推荐单元数据库中有所述目标系统模块所需数据，则将所述目标系统模块所需数据输出至所述协作中心系统模块中的知识库单元，否则，无输出；(5)协作中心接收数据所述协作中心系统模块中的知识库单元接收所述目标系统模块所需数据；(6)行为聚合所述行为聚合单元对所述目标系统模块中的物品B和所述边缘系统模块中的用户A使用过的除物品B之外的其他物品进行聚合，所述行为聚合单元根据物品属性给物品标记标签，选取标签集合交集超过某个阈值的行为聚合为同一物品，经过行为聚合后得到用户A在所述目标系统模块中对物品B的评分；(7)情景聚合所述情景聚合单元对经过行为聚合后的信息进行情景聚合，即采用计算上下文余弦相似度的方法计算用户不同情景信息的相似度，选取相似度较高的情景信息进行融合；采用计算上下文余弦相似度的方法的计算公式如式(Ⅰ)所示:式(Ⅰ)中，Ca为情景信息a，Cb为情景信息b，Wa,b为情景信息a与情景信息b的相似度；(8)数据不一致性检测与消除经过行为聚合和情景聚合处理后，出现用户A在情景信息C下对物品B有不同的评分，所述数据不一致性检测消除单元检测并根据数据不一致性检测消除算法消除行为聚合处理后得到的用户信息的不一致性，得到用户A在情景信息C下对物品B评分接近的几组用户A评分信息；所述数据不一致性检测消除算法包括：基于可信度的数据不一致性消除算法、基于投票法的数据不一致性消除算法以及基于证据论的数据不一致性消除算法；(9)数据推理融合所述数据推理融合单元根据步骤(8)所述几组用户A评分信息，按照推理融合方法，推理得到一组用户A在情景信息C下对物品B的评分信息，存入到所述协作中心系统模块的知识库单元中，并发送给所述目标系统模块中所述用户数据库单元，所述推理融合方法包括本体推理、基于规则的推理、基于证据论的推理、基于贝叶斯网络的推理方法；(10)目标系统接收数据所述目标系统模块中所述用户数据库单元接收所述一组用户A在情景信息C下对物品B的评分信息；(11)协同过滤所述推荐引擎单元采用基于物品的协同过滤算法即itemCF算法对所述一组用户A在情景信息C下对物品B的评分信息进行处理，得到预测评分；(12)得出初始推荐结果；(13)过滤所述过滤单元采用三种策略逐步对得到的步骤(12)所述初始推荐结果进行过滤，即：首先，过滤掉用户A已经使用过的物品B，其次，过滤掉不符合候选条件的物品B，所谓的候选条件是指用户A已经设定的选择条件，最后，过滤掉某些质量很差的物品B，得到包括若干个不同的物品B的推荐结果，即B1、B2……Bi……Bn；(14)排名所述排名单元采用新颖性排名对步骤(13)得到的若干个不同的物品B的推荐结果进行排名，对每一个物品B都进行新颖性排名，新颖性排名的具体步骤包括步骤①及步骤②，具体如下：①计算物品Bi流行度物品Bi流行度的计算公式如式(II)所示：式(II)中，P(i)为物品Bi的流行度，N(i)为对物品Bi有过行为的用户集合，N为所有用户集合；②加权计算加权计算的计算公式如式(Ⅲ)所示：式(Ⅲ)中，D(i)为用户对物品Bi的评分，为对物品Bi加权后的评分；对每一个物品B都进行新颖性排名后，得到每一个物品B的加权后的评分，对每一个物品B的加权后的评分从小到大进行排序，对排名较前的物品B的加权后的评分进行降权；(15)推荐结果展示及解释所述推荐结果展示及解释单元负责对经过排名处理后的推荐结果进行最终展示及解释说明；得到最终推荐结果；(16)用户反馈所述用户单元将用户A对最终推荐结果服务满意度信息存入到所述用户数据库单元中，操作结束。